腾讯最新人脸检测模型DSFD: Dual Shot Face Detector

【LearnX导读】人脸检测是人脸相关应用中必不可少的一环。如我们熟悉的刷脸解锁，美颜相机，刷脸支付等都离不开人脸检测。这篇文章写的就是提高人脸检测准确度的方法。这篇文章从特征抽取，锚匹配(Anchor matching)，损失函数三个方面研究人脸检测模型，相应的提出更强的特征学习模块EFM，更有效的锚匹配IAM，更有效的损失函数PAL来提高人脸检测的准确度。该方法在主流的人脸检测基准数据集WIDER FACE和FDDB上都达到了state-of-the-are水平。由于该方法使用的是双射检测方法，因此命名为双射人脸检测器（Dual Shot Face Detector, DSFD)。

---

 

背景

话说，人脸检测方面的研究也大概有50年的历史了，最近几年每年在人脸检测方面的论文没有一千也有一百吧，而且都声称超越了之前的模型达到了state-of-the-art。

那么，人脸检测目前达到了什么水平？在哪些方面有待提升？

当前的人脸检测主流是用深度神经网络，近几年来这方面的研究非常多，在简单人脸检测方面达到的惊人的准确度，但是在人脸尺寸，姿态，遮挡，表情，外表，光照等变化大的情况下还是存在一些挑战。

目前，人脸检测方案大体可以分为两大类别。一个是双射检测，一个是单射检测。双射检测方法一般都基于Faster RCNN的RPN策略。单射检测方法主要是基于SSD。考虑到效率和复杂度，目前的趋势是越来越多的选用单射检测方法。

目前，人脸检测方法主要存在的问题有以下三个方面：特征抽取，锚匹配，损失函数。

本文针对这三个方面的问题提出了三个方法：特征增强模块FEM，渐进锚损失PAL，增强的锚匹配。

 

解决方法

文章中结合特征增强模块FEM，渐进锚损失PAL，增强的锚匹配IAM提出了新的人脸检测模型DSFD。DSFD示意图如下。

 

下面详细介绍文中提出的三个方法。

1.    特征增强模块FEM

特征增强模块的idea是看两遍，第一遍感受野小，第二遍感受野大。于此对应的是，FPN相当于只用了第二遍看的结果。特征增强模块的示意图如下。

2.    锚匹配模块IAM

 此模块的目的是解决连续的人脸大小和离散的锚大小之间的矛盾，使得人脸大小分布和锚大小分布尽相同。文章中用了数据扩充的方法解决了这个问题。用这个方法，IOU阈值比传统的锚匹配方法IOU阈值高的情况下也比后者有更高的匹配率。

3.    渐近锚损失PAL

 渐近锚损失的主要思想就是，不仅在不同级别特上的锚大小不同，在同一级别上原来的特征和增强的特上的锚大小也不同。

 

实验

 WIDER FACE，FDDB上得到了SOTA结果。

对文章中提出的三个模块做了对照实验，结果表明它们的有效性。

结论

 这篇文章提出了新的人脸检测模型DSFD，它的创新点有特征增强模块EFM，高效的毛匹配方法IAM，渐近锚损失PAL等三个方面。